[发明专利]一种基于改进的模糊C均值聚类的图像聚类方法及装置

说明书

本发明涉及一种基于改进的模糊C均值聚类的图像聚类方法及装置，该方法包括：输入样本图像，计算样本图像的特征值向量；将样本图像的特征值向量作为输入样本点，采用自组织神经网络算法进行分类，确定初始的聚类中心和聚类数目；采用极大似然估计算法得出样本图像对各个类的归属概率，将该归属概率作为目标函数的权值以构建目标函数；根据初始的聚类中心和聚类数目，采用改进的模糊C均值聚类算法的判别公式，通过迭代计算下一次的聚类中心，直至相邻两次的目标函数值之间的变化量小于设定的阈值。本发明通过计算样本图像的特征值向量，采用自组织神经网络算法对图像进行粗聚类，确定初始的聚类中心和聚类数目，增强了聚类效果的稳定性和准确性。

技术领域

本发明涉及一种基于改进的模糊C均值聚类的图像聚类方法及装置，属于图像处理技术领域。

背景技术

21世纪是一个数据化、信息化的时代，随着医学成像技术的发展和普及，医院和医疗研究机构产生的医学影像数据，包括CT、MRI、X射线等，均呈现海量化的増长趋势，如何准确高效地对医学图像进行匹配检索成为当前研究的重要课题。基于内容的医学图像检索方法依赖于医学图像的视觉特征，如形状、纹理、颜色、灰度等，用户输入想要检索的医学图像，根据相似度大小，依次返回给用户。

模糊C均值聚类相比“硬聚类”，它会计算每个样本对所有类的隶属度，若某样本对某类的隶属度在所有类的隶属度中具有绝对优势，则该样本分到这个类中是一个十分保险的做法。其中，在模糊C均值聚类算法中，聚类定义是模糊的，每个数据点对每个簇都存在一个隶属度，并且每个数据点对所有簇的隶属度之和为1。

模糊C均值聚类算法的思想是：首先给定数据集X＝{x₁,x₂,...,x_n}，c为聚类类别数，C_i(i＝1,2,…,c)为每个类的聚类中心，μ_ij反映了第j个样本对第i类的隶属度，则模糊C均值聚类的判别函数(目标函数)为：

其中，i表示第i个聚类中心，μ_ij表示数据集第j个样本， x_j隶属于第i个分类的隶属度，j表示第j个样本图像，m为加权指数，大多数情况下m的值为2，d_ij为第j个样本对第 i个聚类中心的欧式距离。

由于模糊C均值聚类算法的计算即为不断迭代使目标函数最小化的过程，给定聚类类别数，设定阈值范围，初始化聚类中心以后，重复计算隶属度μ_jt和聚类中心p_i，当相邻两次目标函数结果的变化量小于设定的阈值时，迭代停止，此时认为算法收敛。其中，隶属度μ_jt和聚类中心p_i的计算公式如下：

其中，i为第i个聚类中心，m为加权指数，d_jt为第t个样本图像x_t对第j个聚类中心的欧氏距离，d_it为第t个样本图像x_t对第i个聚类中心的欧氏距离，k为第k个聚类中心。

由于模糊C均值聚类算法对初始值非常敏感，因此，模糊C算法中初始值的设定有很重要的意义。模糊C均值聚类方法存在以下缺点：(1)初始聚类数需要人为确定，使用伪随机数产生初始聚类中心造成聚类效果不稳定，容易得不到满意的效果；(2)采用现有的判别函数作为聚类目标，模糊C均值聚类效果常常不稳定，导致模糊C均值聚类结果准确度较低。

发明内容

本发明的目的是提供一种基于改进的模糊C均值聚类的图像聚类方法及装置，用于解决现有的初始聚类数和初始聚类中心会导致聚类效果不佳，进而影响图像检索效果的问题。

为解决上述技术问题，本发明提供了一种基于改进的模糊C均值聚类的图像聚类方法，步骤如下：

输入样本图像，计算样本图像的特征值向量；